医生无法跟上医学知识的增长速度。
想象一下1950年代的一位医生正在治疗一位症状复杂的患者。他首先翻阅口袋里的《华盛顿医疗治疗手册》（Washington Manual of Medical Therapeutics）。接着，他查阅办公室里厚厚的参考书《哈里森内科学原理》（Harrison's Principles of Internal Medicine）。仍然不确定时，他会与同事讨论这个病例，然后在医院的医学图书馆中寻找相关的期刊文章。
整个20世纪，医生主要通过这种方式查找医学知识。然而，随着岁月的流逝，信息量激增，计算机将其数字化，互联网连接了全世界。到了21世纪初，医生开始转向在线信息来源，最初通过台式电脑，后来通过移动设备。
如今，像我这样的医生有很多选择。
我们经常搜索像PubMed和Google Scholar这样的数据库。我们频繁阅读UpToDate的主题摘要。三分之二的医生使用MDCalc，这是一个包含各种决策支持工具的床边参考工具。我们访问专业学会的网站、医学网站如WebMD，有时甚至访问非医学网站。
人工智能现在再次改变了我们获取知识的方式。让我解释一下。
在信息洪流中保持更新
PubMed索引了3600万篇摘要，每年新增100万篇——每分钟两篇。Google Scholar包含约4亿篇文章、引用和专利。存在数千份临床实践指南。没有一个医生能够跟上这些信息的步伐。
1990年代初，哈佛大学的肾病学家布德·罗斯博士（Dr. Bud Rose）试图解决这个问题，他创建了一个可搜索的、定期更新的临床“主题卡片”计算机程序，存储在软盘上。他将自己的公司命名为UpToDate。
随着主题数量的增加，分发方式从软盘转变为CD-ROM、互联网和移动设备。
现在，UpToDate是Wolters Kluwer Health的一部分，拥有大约8000名附属临床专家和60名副编辑，他们遵循同行评审、循证医学的方法，开发和维护涵盖25个医学专科的12000个临床主题摘要。
该产品非常成功。近300万名临床医生在50000个站点使用UpToDate，主要通过机构订阅。个人可以每年支付579美元购买订阅。
其权威性的摘要之所以受欢迎是有充分理由的。正如Wolters Kluwer Health的首席医疗官彼得·博尼斯博士（Dr. Peter Bonis）告诉我的那样，“我们所做的一切都是为了帮助临床医生为患者做出最佳决策。”
然而，由于它不是查询服务，医生必须查看相关主题摘要以找到他们需要的具体答案。例如，UpToDate无法直接回答用户提出的“如何治疗小肠细菌过度生长？”的问题。相反，用户必须搜索SIBO，选择主题摘要，并至少浏览一遍以找到作者推荐的Rifaximin作为一线治疗。公司报告称，用户的平均互动时间为60秒。
利用AI管理医学知识
UpToDate现在正在添加AI驱动的搜索功能，使用户可以直接访问现有摘要中的聚焦、相关、逐字逐句的段落。目标是在不引入可能由AI生成的合成内容带来的错误的情况下，使产品更易于使用且更快捷。
新的、专门为AI设计的搜索引擎如OpenEvidence和Consensus采用了不同的方法。这些产品不是展示预先写好的主题摘要，而是直接动态回答用户查询。
它们的核心挑战是确保输出足够可靠，可用于医疗实践。生成式AI产品可能会产生不稳定的结果；例如，谷歌Gemini曾臭名昭著地建议人们每天吃一块石头，因为“石头是矿物质和维生素的重要来源。”
这些“幻觉”部分反映了“垃圾进，垃圾出”的老问题。正如OpenEvidence创始人丹尼尔·纳勒（Daniel Nadler）解释的那样，“网站索引不是事实索引。”训练于整个互联网上的LLMs，包括Reddit和洋葱网站，必然会生成虚假信息。
OpenEvidence从梅奥诊所平台加速计划中推出，该公司试图通过仅从同行评审的生物医学文献中提取信息来避开这些问题。
当用户（必须是临床医生）输入一般或具体问题（例如，“如何治疗无法负担Rifaximin的患者的SIBO？”）时，OpenEvidence会在数百万临床文档中识别潜在的相关来源，包括PubMed摘要的元数据、全文期刊文章、专著、书章节等。接下来，它根据查询的相关性、出版日期、期刊影响因子和引用次数等因素选择最权威的来源。最后，大型语言模型综合一个带有引用链接的摘要响应。
OpenEvidence迅速在医学界传播开来。自今年1月以来，已有超过25万名临床医生访问该网站，仅11月就进行了近200万次查询。该产品由广告支持，对个人用户免费。
Consensus是另一个覆盖医学和非医学科学领域的AI搜索引擎，如生物学和环境科学。向公众开放，五分之一的用户是临床医生。输入问题后，Consensus会综合一个答案，包括一个“共识计”（对于是/否问题），显示推荐的强度。
权衡利弊
打个比方，搜索PubMed或Google Scholar就像问图书管理员关于某个主题的最佳资料。UpToDate类似于图书馆的特藏。使用这些工具时，用户必须扫描蓝色链接列表，选择并阅读资料，提取任何相关的信息。通过这种方式，他们了解了一个主题，并通过一些时间和努力，可以回答特定的问题。
相反，使用像OpenEvidence或Consensus这样的AI搜索就像直接问一位智者教授一个问题并得到带引用的答案。它快速、方便、具体。风险在于，一些令人信服的答案可能不够好或缺乏足够的背景信息。因此，临床医生必须保持“在环中”，并在必要时深入挖掘。
我询问了两位我认识的最聪明的信息学医生关于AI搜索的意见。
MDCalc创始人兼急诊科医生格雷厄姆·沃克博士（Dr. Graham Walker）警告说：“自动化偏差是一个非常现实的担忧——医生开始隐性信任这些工具比自己更聪明——这逐渐侵蚀了医生批判性思考患者的能力。”
相反，心脏病学家兼信息学家拉里·克莱因博士（Dr. Larry Klein）认为AI搜索是一个显著的净积极因素。他告诉我，“我每天都使用OpenEvidence，像询问我的专家同事一样提问。这真是革命性的。”
传统搜索和AI搜索在不同情况下都有其作用。例如，一名住院医生在接诊急性冠状动脉综合征患者时可能会阅读UpToDate以了解管理原则。一位杰出的肾病学家可能会搜索PubMed以审查肾小球肾炎治疗试验中纳入的患者特征。一位家庭护士从业者在决定青霉素过敏患者的幽门螺杆菌治疗时可能会查询OpenEvidence以获得快速指导。
展望未来
临床医生在每次看两个患者时至少会提出一个医学知识问题——通常是关于症状的原因或疾病的治疗方法——但我们只追求其中一半的问题的答案，主要是因为我们没有足够的时间。
AI搜索可以通过更快地推送信息来帮助解决这个问题。然而，这种新的工作方式突显了人工和机器策展、细微差别和简洁性、自动化和手动处理以及潜在的机器生成和人为错误之间的紧张关系。我们必须仔细评估这些工具对我们临床劳动力和患者的影响。
历史上，医生管理信息方式的变化总是伴随着担忧。例如，许多医生最初反对从医学教科书中学习，认为从记忆中调取知识迫使更深入的反思。几十年后，其他人“坚持认为，医学信息的数字化破坏了有形、基于纸张的工具所支持的传统和认知实践。”
我们也应该充满希望。能够快速利用集体知识使我们更好地缓解痛苦和促进健康。它也可能减轻我们的认知负担，帮助我们保持精力。
有了这些新能力，我们必须将重点从回忆事实转移到提出正确的问题。虽然答案会比以往任何时候都快，但大多数临床决策几乎没有已发表的数据。临床直觉和经验仍然非常重要！正如循证医学运动的先驱所解释的那样，“好医生既使用个体临床专业知识，又使用最佳可用外部证据，两者缺一不可。”
致谢
我要感谢Peter Bonis、Sean Case、Hugh Harvey、Larry Klein、Daniel Nadler、Eric Olson、Graham Walker和Patrick Wingo讨论这个话题。
(全文结束)
